关键词： 电力负荷预测   灰狼算法   DBSCAN   极限学习机   预测精度  

摘要： 研究短期电网电力负荷预测问题,提出一种基于改进灰狼算法(IGWO)和极限学习机负荷预测的方法。提出改进的灰狼算法,通过引入自变权重系数和精英扰动更新策略,以提高IGWO全局寻优能力。利用DBSCAN算法对电力负荷数据集进行聚类分析,最大限度降低数据差异性对预测精度影响。利用IGWO优化后的ELM模型(IGWO-ELM)对分类电力负荷数据集进行预测。仿真结果表明,与其他预测方法比较,所提分类IGWO-ELM预测精度更高。

关键词： 核极限学习机   AdaBoost集成学习   龙格库塔算法   脱硫出口SO_(2)浓度   预测模型  

摘要： 脱硫出口SO_(2)浓度的准确预测对实现脱硫系统经济运行具有重要意义,针对脱硫出口SO_(2)浓度影响因素众多,难以准确预测这一问题,提出了基于龙格库塔优化的核极限学习机(KELM)和改进AdaBoost集成算法相结合的预测模型。首先采用核极限学习机作为弱预测器,利用AdaBoost集成算法组合构建强预测器,通过调整脱硫系统不同工况下运行数据权重,建立了一种基于AdaBoost集成算法的出口SO_(2)浓度预测模型。为进一步提升模型学习性能和预测精度,通过引入惩罚系数和先验知识参数改进AdaBoost算法的损失函数,运用龙格库塔算法对KELM的正则系数C和核参数S进行寻优,克服初始参数设置对模型稳定性和预测精度的影响。最后利用电厂运行数据进行仿真实验,结果表明,所建立的出口SO_(2)浓度集成模型预测性能优越、准确度高,能够为脱硫系统优化控制提供技术支持。

关键词： 热连轧   蚁群优化算法   深度极限学习机   宽度预测  

摘要： 热连轧粗轧生产过程中,为解决换规格后宽度设定精度低的难题,提出了一种蚁群优化算法协同深度极限学习机(ant colony optimization deep extreme learning machine,ACO-DELM)的热连轧粗轧宽度预测方法.该方法将蚁群优化算法应用于DELM网络中,以提高其预测精度和泛化能力.先利用数据预处理方法对原始数据进行异常值的剔除和数据归一化.然后,使用蚁群优化算法对DELM的隐藏层节点数、迭代次数进行优化,在隐藏层节点数达到95个、迭代次数为480次时,DELM模型的预测性能最佳,其在预测不同规格带钢平均宽度时,决定系数R^(2)达到0.9989,97.98%的样本点预测误差分布在-7~7 mm.应用结果表明,与传统的深度极限学习机(DELM)、卷积神经网络(CNN)等模型相比,ACO-DELM模型在预测精度和泛化能力上有明显的提升,可有效应用于热轧带钢的平均宽度预测.

关键词： 极限学习机   鲸鱼优化算法   中子通量   k_(eff)   参数预测方法   随机森林  

摘要： 通过模拟和扩展人类智能,人工智能能够解决预测反应堆k_(eff)和中子通量等问题。本研究选用国际原子能机构(International Atomic Energy Agency,IAEA)反应堆作为研究对象,以稳态时的堆芯中子通量和k_(eff)为预测量,通过堆芯物理分析程序ADPRES生成数据样本后,利用极限学习机(Extreme Learning Machine,ELM)构建中子通量和k_(eff)的基础神经网络模型,随后通过随机森林(Random Forest,RF)评估特征值重要程度以建立各模型最佳输入特征子集,采用遍历方法确定隐藏层最佳神经元数目,最后使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对其初始权值与阈值进行优化,进一步提高了模型的精度。研究结果显示:经降维优化处理后,神经网络的预测能力有较大提升,其中k_(eff)的预测精度提高了两个量级,中子通量的预测误差降低了87.24%,并且减少了模型训练时间。本文构建方法对快速评估堆芯物理特性有一定参考意义。

关键词： 极限载荷   数字图像相关   激光焊接   机器学习   残余应力  

摘要： 加筋板的极限载荷是结构设计与校核中的一项重要指标,当前横向拉伸载荷作用下的研究还比较少见。为此,本文首先采用结合数字图像相关技术的拉伸试验及机器学习方法对激光焊接加筋板的极限载荷进行了系统研究,初步结果表明,机器学习方法虽然可高效预测与壳单元有限元模型吻合很好的结果,但预测结果较试验结果偏大。然后,为了探究其原因,通过考虑焊接变形、残余应力和材料性能弱化,结合试验结果并基于建立的极限载荷有限元精细分析模型,对激光焊接加筋板的失效机理进行了详细分析。研究结果表明,焊接变形和残余应力会弱化结构的承载性能,为了获得更加精确的预测结果,需在机器学习模型中考虑两者的影响。

关键词： 短期电力负荷预测   极限学习机   在线学习   正则化  

摘要： 为满足智能电网对电力负荷实时预测的需求,提出基于稀疏递归最小二乘法的极限学习机(SRLS-ELM)在线学习算法,用于短期电力负荷的在线预测.相比在线序列ELM, SRLS-ELM算法无需选择离线样本初始化网络输出权重,将网络学习的平方误差与输出权值的稀疏正则化项相结合,用l1-范数稀疏化网络隐藏层节点,用次梯度策略解决求解过程中代价函数无法处处可微的问题,以递归最小二乘的训练方法完成在线学习,根据估计误差自适应寻找最优正则化参数.仿真结果表明,基于SRLS-ELM的算法能有效简化网络结构,且与ELM、堆叠核ELM批量、在线序列ELM半在线以及精确在线支持向量机回归模型相比,对短期电力负荷在线预测时具有更高的预测精度和学习效率,且鲁棒性强.

关键词： 改进极限学习机   短期   电力负荷   分布式   预测  

摘要： 为提高短期分布式电力负荷预测的准确性,生成可靠的预测区间,基于改进极限学习机,对短期分布式电力负荷预测方法展开研究。实时采集分布式电力负荷数据,从采集的数据中,提取短期分布式电力负荷特征。在此基础上,利用改进极限学习机,激活隐藏层,计算输出权重,实现短期分布式电力负荷预测。试验结果表明:基于文章提出的方法应用后,负荷预测结果更加接近真实值,预测误差波动较小,且预测区间覆盖率均达到了97.2%以上,有效提高了预测结果的准确性和可信度。

关键词： 电力市场   实时电价预测   经验小波变换   特征提取   极限学习机  

摘要： 针对实时电价数据波动性强及其影响因素复杂,导致现有预测模型稳定性及预测精度低的问题,提出了一种基于改进极限学习机的电力市场实时电价预测方法。设计了基于经验小波变换的实时电价数据分解方法,将电价序列分解为接近价格的低频信号和噪声的高频信号。同时提出基于改进随机森林的实时电价特征提取算法,根据预测重要度获取最优的电价影响因素特征组合。以此为基础,将核函数替代极限学习机隐藏层构建了R-KELM预测模型,更好地反映了多因素影响下实时电价的不确定性和波动性。以PJM实时电价数据为例,结果表明,所提方法可以有效克服电价数据强波动性及高特征冗余的问题,预测模型准确性及稳定性得到显著提升。

关键词： 植被   滑坡   边坡失稳   林地   机器学习模型  

摘要： 为探究高植被覆盖区浅层滑坡的影响因素并构建最优的滑坡预测模型,该研究以华蓥市山区林地为研究对象,考虑了蓄积量、林分密度、平均树龄、林分类型和红绿植被指数(green-red vegetation index,GRVI)等植被因子,并结合地形地质因素,经过Boruta重要性分析以及共线性诊断,利用Logistic回归模型、广义相加模型、随机森林模型、支持向量机模型和人工神经网络模型等5种机器学习模型构建华蓥市山区林地浅层滑坡预测模型,并结合历史滑坡点检验,提出华蓥市山区林地浅层滑坡的最佳预测模型及高易发性区域的植被特征。结果表明:1)工程地质岩组、距河流距离、距断层距离、林分类型、平均树龄和蓄积量是影响浅层滑坡的主要因子;2)不同因子组合对模型精度有极大的影响,考虑蓄积量、林分密度、平均树龄等植被因子有利于提高模型的预测精度;3)在5种模型中,预测精度最高的模型为随机森林模型,精度可达到95.05%;4)研究区高易发性及以上区域的面积为25.31 km^(2),占研究区总面积的14.79%,低密度(1000~1500株/hm^(2))、高蓄积量(>80 m3/hm^(2))和高树龄(>30 a)是浅层滑坡发生的主要植被特征。该研究结果可为中国高植被覆盖区极端暴雨型滑坡的预警与防控提供科学决策和技术支撑。

关键词： 滑坡敏感性   数据驱动   元学习   小样本学习  

摘要： 滑坡灾害是当前制约中国西部山区重大基础设施建设的最重要因素之一。如何可靠开展广域范围滑坡敏感性预测,一直是国内外研究的难点。现有以深度学习为代表的数据驱动广域复杂环境敏感性分析方法仍面临两大挑战:(1)广域范围滑坡孕灾环境的差异性:单一模型难以可靠预测(解释)不同孕灾环境滑坡易发性;(2)小样本问题:中国西南山区滑坡隐蔽性强,探测成本高昂,样本数据少。针对以上问题,以中国重庆市綦江、涪陵区为例,采用分块预测策略,元学习一种泛化性强的适于滑坡敏感性小样本预测的中间表征,通过局部区域中极少的样本和反向传播梯度迭代次数,将模型快速适应于当前局部区域滑坡敏感性预测任务,从而解决广域范围滑坡孕灾环境差异问题与小样本问题。区别于支持向量机、多层感知机、随机森林等传统方法需要大量样本及梯度迭代训练监督模型,所提方法仅需要小样本微调中间模型,就使滑坡敏感图预测精度提升1%~5%,准确度提升1%~3%,F1分数提升0.5%~6%,召回率接近其他方法最高水平。